進(jìn)化動(dòng)態(tài)多目標(biāo)優(yōu)化算法及其應(yīng)用.pdf

1、多目標(biāo)優(yōu)化是機(jī)器學(xué)習(xí)中十分重要的領(lǐng)域,而作為啟發(fā)式的搜索算法,進(jìn)化算法已經(jīng)應(yīng)用于多目標(biāo)優(yōu)化之中,并且得到了廣泛的研究,許多進(jìn)化多目標(biāo)優(yōu)化算法被學(xué)者所提出。隨著多目標(biāo)優(yōu)化領(lǐng)域研究的不斷深入,動(dòng)態(tài)多目標(biāo)優(yōu)化這一新的課題應(yīng)運(yùn)而生,并且成為了熱點(diǎn)話(huà)題。動(dòng)態(tài)多目標(biāo)優(yōu)化可以看成是多目標(biāo)優(yōu)化的延續(xù),可以針對(duì)不同的進(jìn)化多目標(biāo)優(yōu)化算法來(lái)研究并求解動(dòng)態(tài)多目標(biāo)優(yōu)化問(wèn)題。
　　基于上述的背景,本文針對(duì)動(dòng)態(tài)多目標(biāo)優(yōu)化問(wèn)題的特點(diǎn),設(shè)計(jì)了新的動(dòng)態(tài)預(yù)測(cè)方法,并且

2、改進(jìn)了不同的進(jìn)化多目標(biāo)優(yōu)化算法,提出了兩種動(dòng)態(tài)多目標(biāo)優(yōu)化算法,最后將提出的算法應(yīng)用到了動(dòng)態(tài)聚類(lèi)這一實(shí)際問(wèn)題中。本文具體工作如下:
　　1.提出了一種基于改進(jìn)的距離預(yù)測(cè)機(jī)制及自適應(yīng)差分算子的動(dòng)態(tài)多目標(biāo)優(yōu)化算法。算法中,首先,針對(duì)前向預(yù)測(cè)策略的特點(diǎn),提出了一種新的距離預(yù)測(cè)機(jī)制,來(lái)預(yù)測(cè)新時(shí)刻的初始種群。其次,針對(duì)差分交叉算子的優(yōu)勢(shì),將改進(jìn)的自適應(yīng)差分交叉算子應(yīng)用到非支配近鄰免疫算法( Nondominated Neighbor Immu

3、ne Algorithm,NNIA)之中,來(lái)對(duì)動(dòng)態(tài)多目標(biāo)優(yōu)化問(wèn)題進(jìn)行優(yōu)化求解。通過(guò)實(shí)驗(yàn)可以發(fā)現(xiàn),新算法有很強(qiáng)的動(dòng)態(tài)變化跟蹤能力,在收斂性和多樣性方面也優(yōu)勢(shì)明顯。
　　2.提出了一種基于正交預(yù)測(cè)機(jī)制的動(dòng)態(tài)多目標(biāo)分解進(jìn)化算法。算法中,首先,當(dāng)環(huán)境發(fā)生變化時(shí),在歷史時(shí)刻儲(chǔ)存的最優(yōu) Pareto最優(yōu)解的基礎(chǔ)上,用基于正交設(shè)計(jì)的模型,來(lái)產(chǎn)生新時(shí)刻的初始種群。其次,為了減小臨界點(diǎn)對(duì)算法收斂性的影響,對(duì)基于分解的多目標(biāo)進(jìn)化算法(Multi-ob

4、jective Evolutionary Algorithms Based on Decomposition,MOEA/D)中的權(quán)值生成方法進(jìn)行改進(jìn),用于求解動(dòng)態(tài)多目標(biāo)優(yōu)化問(wèn)題。實(shí)驗(yàn)證明,新算法有很好的性能,優(yōu)于其它的對(duì)比算法。
　　3.提出了一種基于動(dòng)態(tài)多目標(biāo)進(jìn)化算法的動(dòng)態(tài)聚類(lèi)算法。該算法是動(dòng)態(tài)多目標(biāo)優(yōu)化算法在動(dòng)態(tài)聚類(lèi)問(wèn)題上的具體應(yīng)用。動(dòng)態(tài)數(shù)據(jù)聚類(lèi)可以看成是動(dòng)態(tài)多目標(biāo)優(yōu)化問(wèn)題,可以用不同的優(yōu)化方法來(lái)解決。該算法利用動(dòng)態(tài)多目標(biāo)優(yōu)化